Lección 1.2 del módulo “Introducción al Deep Learning” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos una idea general de lo que es el Machine Learning, que básicamente consiste en lograr que una máquina (es decir un computador) aprenda a partir de la experiencia (es decir que logre identificar patrones a partir de una gran cantidad de datos).
En esta lección vamos a formalizar estas ideas, describiendo los elementos básicos que conforman un sistema tanto de Machine como de Deep Learning.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En resumen, la implementación de un modelo de Machine Learning se fundamenta en cuatro elementos clave: los datos de entrada, el modelo que se encarga de mapear estos datos a una salida deseada, la función objetivo que cuantifica el desempeño del modelo y el algoritmo de aprendizaje que ajusta los parámetros del modelo para optimizar dicha función.
Y es a través del entrenamiento como el modelo aprende de una gran cantidad de datos, adaptando sus parámetros para progresivamente generar mejores predicciones.
Con esto ya tenemos las definiciones formales de los elementos que hacen parte de un sistema de Machine/Deep Learning. Así que en la siguiente lección veremos las diferencias entre la Inteligencia Artificial, el Machine Learning y el Deep Learning y además hablaremos en detalle del modelo, la función objetivo y del algoritmo de aprendizaje.
Todas las lecciones del curso Fundamentos de Deep Learning con Python